Bagaimana KYC Berbasis AI Dapat Mengurangi Risiko Asimetris bagi Bank?

John Flowers menjabat sebagai Kepala Pasar Keuangan Global di eClerx. Dengan pengalaman lebih dari 30 tahun di sektor layanan teknologi keuangan, ia telah menduduki berbagai peran eksekutif baik di sisi teknologi bisnis maupun sisi yang berhadapan dengan klien.

Temukan berita dan acara fintech teratas!

Berlangganan buletin FinTech Weekly

Dibaca oleh eksekutif di JP Morgan, Coinbase, Blackrock, Klarna, dan lainnya

Risiko asimetris merupakan ancaman konstan bagi bank, fintech, dan bisnis yang sangat diatur lainnya. Uji tuntas yang tidak lengkap pada satu pelanggan yang gagal mendeteksi keterlibatan mereka dalam pencucian uang atau kejahatan lainnya dapat menyebabkan denda jutaan dolar, kerusakan reputasi, dan tindakan regulasi di tingkat kepemimpinan tertinggi. Karena kesalahan kecil sekalipun dapat menghasilkan konsekuensi yang tidak proporsional, menghilangkan celah kecil dalam proses know-your-customer (KYC) sangat penting untuk melindungi institusi dan pemangku kepentingan mereka.

Secara tradisional, kepatuhan KYC dan anti-pencucian uang (AML) yang efektif memerlukan evaluasi menyeluruh atas risiko pelanggan selama onboarding, diikuti dengan pemantauan terjadwal untuk perubahan profil risiko atau perilaku, seringkali melalui proses manual yang luar biasa dan rentan terhadap keterlambatan. Sekarang, AI dan otomatisasi memungkinkan untuk memperkuat KYC dan meningkatkan pengawasan AML dengan menggunakan data real-time dan memungkinkan pendekatan yang lebih proaktif terhadap pencegahan kejahatan keuangan.

Apa peran AI dalam pengurangan risiko KYC/AML?

Kesalahan operasional dan penalti tetap terjadi meskipun bank telah berinvestasi besar dalam proses dan solusi AML/KYC. Juniper Research menempatkan pengeluaran KYC global tahun 2024 sebesar 30,8 miliar dolar AS tahun lalu. Namun, banyak institusi masih mengandalkan pemrosesan dan pembaruan data pelanggan secara manual, yang memperlambat onboarding dan menunda pembaruan yang dapat menandai perubahan profil risiko.

Mengotomatiskan sebagian proses ini menggunakan otomatisasi proses robotik berbasis aturan (RPA) dapat mempercepat segalanya, tetapi dapat menghasilkan tingkat false positive yang tinggi yang memerlukan lebih banyak waktu untuk peninjauan manual. Sementara itu, penjahat menggunakan teknologi canggih untuk menghindari tertangkap oleh proses KYC dan AML. Dengan AI dan data identitas palsu atau curian, mereka dapat membuat dokumen dan riwayat yang tampak cukup nyata untuk menipu analis dan sistem otomatis dasar.

Menambahkan otomatisasi berbasis AI dan GenAI ke RPA dapat membantu bank mengatasi tantangan ini dalam berbagai cara.

1. Pengalaman onboarding pelanggan

Sebagai bagian dari proses KYC, perusahaan memberikan daftar dokumen dan data yang diperlukan kepada pelanggan baru yang tidak dapat mereka verifikasi secara independen. Ketika persyaratan ini tidak dikomunikasikan secara efektif, hal ini dapat membingungkan pelanggan dan menunda persetujuan. Ini terutama berlaku ketika informasi yang diminta tidak selaras dengan persyaratan regulasi spesifik yurisdiksi yang berlaku, menciptakan pekerjaan ekstra bagi analis yang kemudian harus menyelesaikan perbedaan tersebut.

Dengan model pemrosesan bahasa alami AI yang tertanam dalam proses onboarding, bank dapat berkomunikasi secara efektif dan meminta informasi yang tepat berdasarkan regulasi spesifik yurisdiksi yang berlaku. Hasilnya adalah proses onboarding yang lebih cepat dan tidak rentan terhadap kesalahan yang disebabkan oleh seseorang yang mencentang kotak yang salah atau menyerahkan dokumen yang tidak sesuai dengan persyaratan lokal dan internal. Hal ini dapat menghentikan celah data dan kesalahan sebelum masuk ke sistem.

2. Mendeteksi penipuan identitas

Model visi komputer bertenaga AI dan deteksi identitas sintetis dapat menandai pelanggan yang dokumen atau riwayat keuangannya tampak palsu atau dicuri, meskipun tampak sah bagi analis manusia. Alat-alat ini mensintesis data dari berbagai sumber dari waktu ke waktu, dan dapat melihat hubungan antara data yang akan terlewatkan oleh manusia dan tidak dapat diuraikan oleh mesin aturan tradisional. Mereka dengan cepat menghubungkan identitas pelanggan dengan aktivitas dunia nyata dan menimbulkan tanda bahaya ketika ketidaksesuaian muncul sehingga analis dapat menyelidiki.

3. Pemantauan KYC dan AML real-time

Memelihara data pelanggan setelah onboarding adalah proses yang tidak pernah berakhir. Memantau aktivitas pelanggan dengan institusi, memindai berita negatif tentang mereka, dan memahami perubahan dalam jaringan bisnis mereka sangat penting untuk menghindari hilangnya tanda-tanda perubahan profil risiko pelanggan. Model GenAI dapat mengatur jenis pemantauan ini secara real-time dengan menyerap data dari berbagai platform dan sumber data, menetapkan profil risiko dasar untuk setiap pelanggan, dan memicu peringatan ketika data baru menunjukkan perubahan profil risiko.

4. Kepatuhan dan pelaporan

Solusi onboarding dan pemantauan yang komprehensif juga memberikan wawasan data yang dibutuhkan bank untuk menilai kepatuhan AML, mengidentifikasi area untuk perbaikan, dan menghasilkan laporan untuk pemangku kepentingan internal dan regulator. Solusi pelaporan GenAI tidak terbatas pada menyerap banyak data dan menjawab pertanyaan. Mereka juga dapat diajarkan untuk menampilkan informasi yang diproses menggunakan grafik dan bagan yang intuitif, di dasbor, dan dalam laporan. Visibilitas ini memungkinkan kepemimpinan bank untuk mengidentifikasi dan menghentikan masalah yang muncul sebelum menjadi masalah besar.

5. Beradaptasi dengan perubahan teknologi dan regulasi

GenAI dan sistem otomatisasi berbasis AI belajar dari input mereka. Itu berarti mereka dapat dilatih untuk beradaptasi ketika bank menghubungkan sumber data baru dan platform teknologi, tanpa memerlukan replatforming besar atau proses integrasi yang panjang. Hal ini memungkinkan institusi untuk mendapatkan lebih banyak nilai dari investasi AI mereka dari waktu ke waktu.

Kapasitas belajar AI juga memudahkan bank untuk memperbarui persyaratan mereka ketika regulasi berubah. Melatih dan menguji model KYC AI pada pedoman baru biasanya memakan waktu lebih sedikit daripada memperbarui platform non-AI secara manual. Ini juga lebih cepat daripada melatih analis tentang pedoman baru. AI sebenarnya dapat membantu pelatihan ini juga, dengan menjawab pertanyaan sederhana atau merangkum perubahan dalam format yang mudah dibaca. Analis dapat dengan cepat memiliki informasi terkini yang mereka butuhkan untuk secara konsisten mengikuti dan menegakkan kebijakan baru.

Mengurangi risiko asimetris untuk KYC/AML dengan AI

Alat KYC dan AML bertenaga AI mewakili masa depan manajemen risiko keuangan. Mereka dapat secara tajam membatasi eksposur bank terhadap risiko asimetris saat ini dan juga beradaptasi dengan lingkungan teknologi dan regulasi yang terus berkembang untuk melindungi terhadap ancaman di masa depan. Dengan regulator yang semakin mengawasi peran lembaga keuangan dalam kejahatan internasional, dan penjahat yang semakin mahir menghindari kontrol KYC dan AML tradisional, mengintegrasikan AI ke dalam alur kerja KYC dan AML adalah cara paling efektif bagi institusi untuk memperkuat perlindungan sekarang dan di masa depan.